CN112364802A - 一种崩塌滑坡灾害体的变形监测方法 - Google Patents

Abstract

本发明提供了一种崩塌滑坡灾害体的变形监测方法，属于地质灾害监测领域。所述崩塌滑坡灾害体的变形监测方法，构建世界坐标系及视觉传感器坐标系，并采用激光可视化传感器对灾害体进行实时侦测，采集基于坐标系的图像数据，关键裂缝识别模块读取图像数据后，提取目标特征，获得关键裂缝图像数据，计算所述关键裂缝的形状及实际变化量，并基于世界坐标系恢复所述关键裂缝的三维地理坐标；基于时间序列构建变形监测模型，分析关键裂缝的变形，结合三维地理坐标进行灾害预警。本发明在有效时间内对崩塌滑坡灾害体的变形趋势进行判断和及时预警，提高了崩塌滑坡灾害体变形监测的实时性、准确性和稳定性，数据处理计算量小、适应性强，节约了监测资源。

Description

一种崩塌滑坡灾害体的变形监测方法

技术领域

本发明属于地质灾害监测领域，具体涉及一种崩塌滑坡灾害体的变形监测方法。

背景技术

危岩地段存在滑坡等灾害隐患，危险发生时会使建筑物、甚至使整个居民点遭到毁坏，使公路和铁路被掩埋。由危岩带来的损失，不只是建筑物毁坏的直接损失，并且常因此而使交通中断，给运输带来重大损失，还会给人民的生命财产及安全带来较大危险。滑坡灾害监测包括地表变形监测、深部位移监测、力学参数监测以及环境影响因素(地表水、地下水、降雨量等)监测和宏观地质现象监测。

在无有效方法监测深部大变形的情况下，地表形变监测是滑坡、崩塌滑坡灾害体监测预警的重要内容和有效手段。对于地表形变监测，采用的方法包括以全站仪、GPS技术为代表的离散单点式测量方法，以InSAR技术为代表的光学影像面式测量方法。

其中，以全站仪、GPS技术为代表的离散单点式测量方法，虽然可同时测出单个测量点的三维(X、Y、Z)位移量，不受视通条件限制，且精度在不断提高，但是，只能对布设了待测点的特定点进行监测，无法监测复杂环境或设备及人员无法到达的区域，监测点数少、工作效率低、监测周期长、成本相对较高，同时经常受到天气和时间的限制，一旦破坏监测点，资料的连续性会受到严重影响。以InSAR技术为代表的光学影像面式测量方法，是一种主动式遥感成像方式全天候对地观测成像，同时对植被具有一定的穿透能力，覆盖范围大、空间分辨率高，但是该方法对于地表覆盖的变化、卫星轨道参数的误差和大气参数的变化非常敏感；干涉像对之间基线的选择也有一定的限制条件；高山地区成像时存在雷达阴影和迭掩现象；数据的时间分辨率有时满足不了地表变化监测的要求；对于地表出现的剧烈变化无法监测出来；虽然覆盖范围大，但是精度较低。

对于宏观地质现象监测，主要是利用简单实用的工具来测量，在崩塌滑坡灾害体裂缝两侧(或上下)插入木筋、钢筋、埋桩法标记，使用钢卷尺进行裂缝测量，还可以在裂缝上黏贴水泥砂浆片来测量裂缝变形情况。但是不能实时获取裂缝变化情况，具有一定的滞后性。

对于深部位移监测，通常采用地声监测法，利用地声发射仪、地音探测仪等，采集岩体变形微破裂或破坏时释放出的应力波强度、频度等信号资料，分析、判断崩滑体变形情况。仪器一般应设置在崩滑体应力集中部位，地表、地下均可，灵敏度较高，可连续监测，但仅适用于岩质崩滑体或斜坡的变形监测，且在崩滑体匀速变形阶段不宜使用。

对于力学参数监测，通常采用地应力监测，利用埋设于钻孔、平硐、竖井内的地应力计监测岩质崩滑体内不同部位的应力变化，分析、判断崩滑体变形情况。也可在地表安设水平应力计，监测地表应力变化情况，分辨拉力区、压力区等。另外，利用差动传递式土压力计、应变式压力计，可监测土质崩滑体地表应力变化情况。

由此可见，传统的崩塌滑坡灾害体变形监测在进行监测工作前需布控变形监测网，且还要在监测体上布置一定数量的监测点，然后才可以用相应的测绘仪器对监测体进行变形监测。布网和布点工作复杂繁琐，需要投入大量的工作时间及人力物力，而且布设好的控制点和监测点很容易受到外界的影响与破坏，无法满足当前监测技术要求。

另外，近年兴起的遥感(RS)法和近景摄影法，利用地球卫星或飞机，周期性的拍摄崩滑体的变形，适用于大范围、区域性崩滑体监测，虽然精度较高，但是费用也相对较高，并不适合24小时实时动态监测，且不能实时测出崩滑体的具体变化，具有一定的滞后性。

上述监测方法均无法满足需要越来越高的安全需求的崩滑体监测。

发明内容

鉴于上述问题，本发明实施例提供了一种崩塌滑坡灾害体的变形监测方法，通过对崩塌滑坡灾害体关键裂缝位移变形的量化监测，实时监测崩塌滑坡灾害体的变形，预测灾害体的运动趋势并进行预警，提高对崩塌滑坡灾害体变形的识别能力及变形趋势判别的准确性。

为了实现上述目的，本发明实施例所采用的技术方案如下：

本发明实施例提供了一种崩塌滑坡灾害体的变形监测方法，包括如下步骤：

步骤S1，构建世界坐标系，并以世界坐标系为基准坐标系，构建视觉传感器坐标系；

步骤S2，采用激光可视化视觉传感器对当前崩塌滑坡灾害体进行实时侦测，并基于视觉传感器坐标系采集灾害体中的图像数据，以供关键裂缝识别模块调用；

步骤S3，关键裂缝识别模块从所述视觉传感器中读取基于视觉传感器坐标系的灾害体图像数据，对基于图像数据的二维数字信号进行目标特征提取，获得关键裂缝的图像数据，计算所述关键裂缝的形状及实际变化量，并基于世界坐标系恢复所述关键裂缝的三维地理坐标；

步骤S4，基于时间序列构建变形监测模型，分析关键裂缝的变形，结合三维地理坐标进行灾害预警。

作为本发明的一个优选实施例，所述步骤S3中所述对基于图像数据的二维数字信号进行目标特征提取，获得所述灾害体图像数据中的关键裂缝的图像数据，计算所述裂缝的形状及实际变化量，具体包括：

步骤S301，将采集到的彩色图像转化为灰度图像；

步骤S302，采用中值滤波器对图像进行滤波处理，把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代替，让周围的像素值接近真实值，消除噪声点；

步骤S303，从滤波后的图像数据中提取裂缝特征，并根据裂缝特征对图像进行分割，标定出关键裂缝的图像数据；

步骤S304，采用Canny算子进行亚像素级边缘检测，提取出裂缝与背景图像中的交界线；

步骤S305，根据所述裂缝与背景图像中的交界线，获取裂缝形状与变化率。

作为本发明的一个优选实施例，所述步骤S301，进一步为：利用加权平均法将彩色图像进行灰度转化，根据彩色图像中R、G、B三个分量进行不同权值的加权平均，采用式(5)得到灰度图像：

f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (5)

式(5)中，(i，j)是图像中的像素坐标。

作为本发明的一个优选实施例，所述步骤S303中对图像进行分割，采用Otsu阈值分割算法来有效标定图像中的裂缝特征，通过在图像的灰度取值范围内选择一灰度阈值，并对全部像素点应用该阈值。

作为本发明的一个优选实施例，所述阈值确定过程如下：

用C₀表示裂缝图像，C₁表示背景，图像像素总数为N，灰度区间[0,L-1]，C₀和C₁类方差分别为：

其中T为阈值，p_i为像素点中值，w₀，w₁，u₀，u₁的计算分别如下：

p_i＝n_i/N (10)

其中，n_i代表在灰度区间内灰度级为i的像素点数；

C₀和C₁类的类间方差为：

C₀和C₁类的类间方差为：

通过让T在[0，L-1]范围内依次取值，使式(18)中T取得最大值，解得阈值T。

作为本发明的一个优选实施例，所述步骤S305裂缝形状与变化率计算过程如下：

设X_i为第t_i时刻裂缝区域的像素总值，则X_i+1为第t_i+1时刻裂缝区域的像素总值，在第i帧的裂缝目标区域像素总值设为X_i，第i+1帧的像素总值为X_i+1，令第i帧的裂缝面积为L_i，第i+1帧区域面积为L_i+1，在连续视觉图像帧下的裂缝面积变化率：

式(19)中，j表示第j帧，i+j表示第i+j帧，ΔB表示裂缝的面积变化率，限定于在时间范围t_i到t_i+1这一间断时间内。

作为本发明的一个优选实施例，所述步骤S4中构建变形监测及预警模型，具体包括如下步骤：

步骤S401，构建自回归滑动平均ARIMA模型；

步骤S402，计算自相关函数和偏自相关函数并进行特点分析，优化ARIMA模型；

步骤S403，基于优化后的ARIMA模型，采用最小二乘法计算ARIMA模型参数；

步骤S404，采用Ljung-Box对优化后的ARIMA模型进行检验，获得最终变形监测与预警模型。

作为本发明的一个优选实施例，所构建的ARIMA模型为：

式(20)中，

是p个自回归系数，e_t是满足均值为零，方差为

的白噪声序列；{X_t}是平稳、正态、零均值的时间序列，p和q代表自起始开始的步数；对所述模型进行d阶差分，获得非平稳时间序列模型ARIMA(p，d，q)。

作为本发明的一个优选实施例，所述步骤S4进行灾害预警，采用优化并检验后的ARIMA(p，d，q)模型，根据历史获取的裂缝监测数据X₁，X₂，···，X_t-1，X_t推测未来T期的X_t+T，用X_t(T)代表预测值，最小均方误差预测公式如下：

X_t(T)＝E(X_t+T|X₁，X₂，···，X_t-1，X_t) (26)。

作为本发明的一个优选实施例，所述视觉传感器坐标系是固定在传感器上的直角坐标系，原点定义在传感器光心，光心到图像平面的距离为视觉传感器有效焦距。

本发明实施例技术方案具有如下有益效果：

采用机器视觉与图像处理相结合的方式量化崩塌滑坡灾害体关键裂缝位移变形，对崩塌滑坡灾害体的裂缝变形实时动态监测，利用图像处理和特征提取算法，对崩塌滑坡灾害体裂缝变形监测数据进行快速分析与处理，精确、可靠、有效地计算出崩塌滑坡灾害体关键裂缝的具体变形量，再通过构建适合崩塌滑坡灾害体变形监测预警的时间序列数学模型，确保了在有效的时间内对崩塌滑坡灾害体的运动趋势做出判断，提高了崩塌滑坡灾害体变形监测的实时性、准确性、和时效性，为崩塌滑坡灾害体运动趋势预测提供有效的理论依据和数据支撑，具有重要的工程应用价值。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施方式提供的崩塌滑坡灾害体的变形监测方法流程图；

图2为本发明实施方式变形监测方法中构建坐标体系示意图；

图3为本发明实施方式变形监测方法中视觉传感器布局示例图。

具体实施方式

下面通过参考示范性实施例，并结合附图，对本发明技术问题、技术方案和优点进行详细阐明。以下所述示范性实施例仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非在这里进行定义，否则不会用理想化或过于正式的含义来解释。

本发明实施方式提供了一种崩塌滑坡灾害体的变形监测方法，通过适合裂缝监测的视觉传感器标定及透视模型获取崩塌滑坡灾害体关键裂缝的基础数据，再基于图像处理和特征提取识别计算出关键裂缝变形位移量，利用亚像素级边缘检测算法，结合Otsu阈值分割算法及Canny算子，有效提取崩塌滑坡灾害体重点变形区物理图像像素，进而计算出重点变形区裂缝变化的实际物理量值，对关键裂缝进行量化监测、分析处理，再基于监测预警的时间序列模型，在有效时间内对崩塌滑坡灾害体的变形趋势进行判断和及时预警，提高崩塌滑坡灾害体变形监测的实时性、准确性、稳定性以及时效性，数据处理计算量小、适应性强，节约监测资源。

图1示出了本发明实施方式提供的崩塌滑坡灾害体的变形监测方法流程图。如图1所示，所述崩塌滑坡灾害体的变形监测方法包括如下步骤：

步骤S1，构建世界坐标系，并以世界坐标系为基准坐标系，构建视觉传感器坐标系。

如图2所示，本步骤中，世界坐标系(P(X_w，Y_w，Z_w))是一个基准坐标系，用来描述视觉传感器和关键裂缝在灾害体中的具体位置。通过建立图像坐标系、成像平面坐标系、视觉传感器坐标系、世界坐标系来构建出裂缝透视模型。基于世界坐标系，构建视觉传感器坐标系，则视觉传感器基于自身坐标系采集的图像信息，可转化到世界坐标系下；视觉传感器坐标系O_cX_cY_cZ_c是固定在传感器上的直角坐标系，原点定义在传感器光心，光心到图像平面的距离称之为视觉传感器有效焦距。基于视觉传感器坐标系，还可以构建图像坐标系、成像平面坐标系，其中，图像坐标系O_uv以数组形式存在，每个元素(像素)以坐标形式出现，(u，v)分别代表像素在数组中的列和行，这里的坐标即为像素点在视觉传感器坐标系中的坐标值；图像坐标只表示像素的列和行，并没有实际表示像素在图像中的物理位置；在图像坐标系基础上建立以物理量单位(如毫米)表示的成像平面坐标系O1_xy(x，y)，表示以物理单位度量的成像平面坐标系。

这里将视觉传感器下图像像素的坐标值，及加了单位量后的坐标值，将坐标集的集合，分别称为图像坐标系、成像平面坐标系，所述图像坐标系和成像平面坐标系对应于相应的图像，方便图像数据的调用。

步骤S2，采用激光可视化视觉传感器对当前崩塌滑坡灾害体进行实时侦测，并基于视觉传感器坐标系采集灾害体中的图像数据，以供关键裂缝识别模块调用。

如图3所示，本步骤中，采用激光可视化视觉传感器，具备激光、透雾功能，从而可以实现夜晚、阴雨天、雾天等灾害多发环境下对灾害体的观测。所述基于视觉传感器坐标系和图像坐标系的图像数据，图像的每一点都具有视觉传感器坐标系的坐标值，坐标值可以反映出图像在视觉传感器坐标系中的相对位置。

步骤S3，关键裂缝识别模块从所述视觉传感器中读取基于视觉传感器坐标系的灾害体图像数据，对基于图像数据的二维数字信号进行目标特征提取，获得所述灾害体图像数据中的关键裂缝的图像数据，计算所述裂缝的形状及实际变化量，并基于世界坐标系恢复所述关键裂缝的三维地理坐标。

本步骤中，图像数据是基于视觉传感器坐标系的二维数字信号，通过视觉传感器坐标系与世界坐标系间的对应关系，计算二维图像与三维场景之间的变换关系，标定主点坐标、比例尺度、焦距、旋转矩阵、平移矢量等关键信息。

同时，对所述二维图像，采用快速边缘检测算法进行目标特征提取，抑制地质灾害现场图像带来的高斯白噪声污染；再根据标定的关键信息，结合Canny算子和Otsu阈值分割算法，计算出崩塌滑坡灾害体整体或局部裂缝的具体变形量。上述计算过程，计算量小，易于实现对裂缝的动态监测。

其中，所述对基于图像数据的二维数字信号进行目标特征提取，获得所述灾害体图像数据中的关键裂缝的图像数据，计算所述裂缝的形状及实际变化量，具体包括：

步骤S301，将采集到的彩色图像转化为灰度图像，有效节约图像的计算量。

优选地，本步骤中利用加权平均法将彩色图像进行灰度转化，根据彩色图像中R、G、B三个分量进行不同权值的加权平均，采用式(5)可以得到灰度图像：

f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (5)

式(5)中，(i，j)是图像中的像素坐标。

步骤S302，采用中值滤波器对图像进行滤波处理，把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代替，让周围的像素值接近真实值，这样可以有效消除鼓励噪声点；中值滤波器将图像中每一点的像素值由对应滤波区域R内像素值的中值代替。

I′(u,v)←median{I(u+i,v+j)|(i,j)∈R} (6)

2K+1个像素点p_i的中值定义为：

步骤S303，提取裂缝特征，并根据裂缝特征对图像进行区域划分，标定出关键裂缝的图像数据。

采用Otsu阈值分割算法来有效标定图像中的裂缝特征，通过在图像的灰度取值范围内选择一灰度阈值，并对全部像素点应用该阈值。选取阈值是为了能够区分裂缝与图像背景，通过灰度方差拉开距离，这样就可以精确的提取裂缝信息。

具体地，用C₀表示裂缝图像，C₁表示背景，假设图像像素总数为N，灰度区间[0,L-1],那么C₀和C₁类方差分别为：

其中T为阈值，w₀，w₁，u₀，u₁的计算分别如下：

p_i＝n_i/N (10)

其中，n_i代表在灰度区间内灰度级为i的像素点数；

C₀和C₁类的类间方差为：

C₀和C₁类的类间方差为：

通过让T在[0，L-1]范围内依次取值，使式(18)中T取得最大值，求解Otsu算法最佳阈值T；以所获得的阈值T为裂缝特征进行目标特征提取，从而获得裂缝信息。

步骤S304，采用Canny算子进行亚像素级边缘检测，提取出裂缝与背景图像中的交界线。

具体包括：

步骤S3041，用高斯滤波器进行图像平滑处理；

步骤S3042，用一阶偏导数的有限差分来计算梯度的幅值和方向；

步骤S3043，对梯度复制应用非极大值抑制；

步骤S3044，用双阈值算法检测和连接边缘。

步骤S305，根据所述裂缝与背景图像中的交界线，获取裂缝形状与变化率。

本步骤中，依据当前帧经过边缘检测后的裂缝像素数目和此段确定的时间后的另外一帧裂缝像素数目的差来计算裂缝在一定时间内的变化率。在裂缝视觉图像中，每一帧的图像的裂缝形体去除背景区域后所占区域都有所不同，裂缝的形态变化都有不一样的像素总值，通过像素的变化来反映裂缝的变化情况，再利用相应的算法处理来计算出裂缝的具体变化物理量。

具体过程包括：

设X_i为第t_i时刻裂缝区域的像素总值，则X_i+1为第t_i+1时刻裂缝区域的像素总值，连续的视觉数据是以前后帧数来计算，因此我们就可以得出在第i帧的裂缝目标区域像素总值可设为X_i，那么第i+1帧的像素总值为Y_i+1，令第i帧的裂缝面积为L_i，第i+1帧区域面积为L_i+1，因此就可以得出在连续视觉图像帧下的裂缝面积变化率：

式(19)中，j表示第j帧，i+j表示第i+j帧，ΔB表示裂缝的面积变化率，限定于在时间范围t_i到t_i+1这一间断时间内。

步骤S4，基于时间序列构建，分析关键裂缝的变形，并进行灾害预警。

本步骤中，采用如下过程构建变形监测及预警模型，进行灾害预警：

步骤S401，构建自回归滑动平均(ARIMA)模型。

对于平稳、正态、零均值的时间序列{X_t}，若{X_t}的取值不仅与前p步的各个取值相关，而且还与前q步的各个干扰项相关，构建ARIMA模型为：

式中：

是p个自回归系数，e_t是满足均值为零，方差为

的白噪声序列。

经过图像处理和特征提取后的裂缝视觉数据不具有平稳性，属于非平稳时间序列模型(ARIMA(p，d，q))，再采用差分法对序列进行d阶差分形成稳定的时间序列模型，差分公式如下：

式中，

为差分次数，代表对序列X_t做d次差分直到得到稳定的序列。

步骤S402，计算自相关函数和偏自相关函数及特点分析，选取p，d和q值，优化ARIMA(p，d，q)模型。

所述自相关函数和偏自相关函数计算公式如下：

式中n是时间序列个数，

是时间序列平均值。

不断修正p，d和q值使自相关系数和偏相关系数随时滞k衰减呈正弦波或指数并趋于零，称为“拖尾”，则认为{X_t}序列是ARIMA序列。

步骤S403，采用最小二乘法计算ARIMA模型参数，将(20)式改写为如下：

将(24)式表示为向量形式:X＝F(Y，β)+α

其中，Y＝[X_p+1，X_p+2，···，X_N]^T，F＝[f_p+1，f_p+2，···，f_N]^T，a＝[e_p+1，e_p+2，···，e_N]^T；Y表示裂缝数据值X₁，X₂，···，X_N；β表示待求参数。

步骤S404，采用Ljung-Box对优化后的优化ARIMA(p，d，q)模型进行检验。

本步骤中检验公式如下：

式(25)中，k为最大滞后长度，

为自相关函数估值，n为观测数目，Q_*为Ljung-Box统计量，Ljung-Box检验p值都大于5％表示模型诊断通过。

步骤S405，采用优化并检验后的ARIMA(p，d，q)模型，根据历史获取的裂缝监测数据，即X₁，X₂，···，X_t-1，X_t来推测未来T期的X_t+T，用X_t(T)代表预测值，最小均方误差预测公式如下：

X_t(T)＝E(X_t+T|X₁，X₂，···，X_t-1，X_t) (26)

其中，E代表的是最小均方差公式。

将X_t(T)的预测值设置不同的预警预报等级，当达到预设的预警阈值时，可以根据相应的预警等级发出相应的预警信号。在本发明的一个具体实施例中，当预测值为0mm≤X_t(T)＜10mm，发出蓝色预警；当预测值为10mm≤X_t(T)＜25mm，发出黄色预警；当预测值为25mm≤X_t(T)＜40mm，发出橙色预警；当预测值为40mm≤X_t(T)＜50mm，发出红色预警。

由以上技术方案可以看出，本发明实施方式所提供的崩塌滑坡灾害体的变形监测方法，在获得灾害体图像数据的基础上，利用亚像素级边缘检测算法，结合Otsu阈值分割算法及Canny算子，有效提取崩塌滑坡灾害体重点变形区物理图像像素，进而计算出关键裂缝的实际变化量，对关键裂缝进行量化监测、分析处理；再基于变形监测预警的时间序列模型，并结合坐标系间的转换关系，在有效时间内对崩塌滑坡灾害体的变形趋势进行判断和及时预警，提高了崩塌滑坡灾害体变形监测的实时性、准确性和稳定性，数据处理计算量小、适应性强，节约了监测资源。

以上所述是本发明的优选实施方式，应当指出，本发明并不受限于以上所公开的示范性实施例，说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，在本发明揭露的技术范围做出的若干改进和润饰、可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种崩塌滑坡灾害体的变形监测方法，其特征在于，包括如下步骤：

步骤S1，构建世界坐标系，并以世界坐标系为基准坐标系，构建视觉传感器坐标系；

步骤S2，采用激光可视化视觉传感器对当前崩塌滑坡灾害体进行实时侦测，并基于视觉传感器坐标系采集灾害体中的图像数据，以供关键裂缝识别模块调用；

步骤S3，关键裂缝识别模块从所述视觉传感器中读取基于视觉传感器坐标系的灾害体图像数据，对基于图像数据的二维数字信号进行目标特征提取，获得关键裂缝的图像数据，计算所述关键裂缝的形状及实际变化量，并基于世界坐标系恢复所述关键裂缝的三维地理坐标；

步骤S4，基于时间序列构建变形监测模型，分析关键裂缝的变形，结合三维地理坐标进行灾害预警。

2.根据权利要求1所述的崩塌滑坡灾害体的变形监测方法，其特征在于，所述步骤S3中所述对基于图像数据的二维数字信号进行目标特征提取，获得所述灾害体图像数据中的关键裂缝的图像数据，计算所述裂缝的形状及实际变化量，具体包括：

步骤S301，将采集到的彩色图像转化为灰度图像；

步骤S302，采用中值滤波器对图像进行滤波处理，把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代替，让周围的像素值接近真实值，消除噪声点；

步骤S303，从滤波后的图像数据中提取裂缝特征，并根据裂缝特征对图像进行分割，标定出关键裂缝的图像数据；

步骤S304，采用Canny算子进行亚像素级边缘检测，提取出裂缝与背景图像中的交界线；

步骤S305，根据所述裂缝与背景图像中的交界线，获取裂缝形状与变化率。

3.根据权利要求2所述的崩塌滑坡灾害体的变形监测方法，其特征在于，所述步骤S301，进一步为：利用加权平均法将彩色图像进行灰度转化，根据彩色图像中R、G、B三个分量进行不同权值的加权平均，采用式(5)得到灰度图像：

f(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j) (5)

式(5)中，(i，j)是图像中的像素坐标。

4.根据权利要求2所述的崩塌滑坡灾害体的变形监测方法，其特征在于，所述步骤S303中对图像进行分割，采用Otsu阈值分割算法来有效标定图像中的裂缝特征，通过在图像的灰度取值范围内选择灰度阈值，并对全部像素点应用该灰度阈值。

5.根据权利要求4所述的崩塌滑坡灾害体的变形监测方法，其特征在于，所述阈值确定过程如下：

用C₀表示裂缝图像，C₁表示背景，图像像素总数为N，灰度区间[0，L-1]，C₀和C₁类方差分别为：

其中T为阈值，p_i为像素点中值，w₀，w₁，u₀，u₁的计算分别如下：

p_i＝n_i/N (10)

其中，n_i代表在灰度区间内灰度级为i的像素点数；

C₀和C₁类的类间方差为：

C₀和C₁类的类间方差为：

通过让T在[0，L-1]范围内依次取值，使式(18)中T取得最大值，解得阈值T。

6.根据权利要求2所述的崩塌滑坡灾害体的变形监测方法，其特征在于，所述步骤S305裂缝形状与变化率计算过程如下：

设X_i为第t_i时刻裂缝区域的像素总值，则X_i+1为第t_i+1时刻裂缝区域的像素总值，在第i帧的裂缝目标区域像素总值设为X_i，第i+1帧的像素总值为X_i+1，令第i帧的裂缝面积为L_i，第i+1帧区域面积为L_i+1，在连续视觉图像帧下的裂缝面积变化率：

式(19)中，j表示第j帧，i+j表示第i+j帧，ΔB表示裂缝的面积变化率，限定于在时间范围t_i到t_i+1这一间断时间内。

7.根据权利要求1至6任一项所述的崩塌滑坡灾害体的变形监测方法，其特征在于，所述步骤S4中构建变形监测及预警模型，具体包括如下步骤：

步骤S401，构建自回归滑动平均ARIMA模型；

步骤S402，计算自相关函数和偏自相关函数并进行特点分析，优化ARIMA模型；

步骤S403，基于优化后的ARIMA模型，采用最小二乘法计算ARIMA模型参数；

步骤S404，采用Ljung-Box对优化后的ARIMA模型进行检验，获得最终变形监测与预警模型。

8.根据权利要求7所述的崩塌滑坡灾害体的变形监测方法，其特征在于，

所构建的ARIMA模型为：

式(20)中，

是p个自回归系数，e_t是满足均值为零，方差为

的白噪声序列；{X_t}是平稳、正态、零均值的时间序列，p和q代表自起始开始的步数；对所述模型进行d阶差分，获得非平稳时间序列模型ARIMA(p，d，q)。

9.根据权利要求8所述的崩塌滑坡灾害体的变形监测方法，其特征在于，所述步骤S4进行灾害预警，采用优化并检验后的ARIMA(p，d，q)模型，根据历史获取的裂缝监测数据X₁，X₂，…，X_t-1，X_t推测未来T期的X_t+T，用X_t(T)代表预测值，最小均方误差预测公式如下：

X_t(T)＝E(X_t+T|X₁，X₂，…，X_t-1，X_t) (26)。

10.根据权利要求1所述的崩塌滑坡灾害体的变形监测方法，其特征在于，所述视觉传感器坐标系是固定在传感器上的直角坐标系，原点定义在传感器光心，光心到图像平面的距离为视觉传感器有效焦距。

Images